恒流环境下锂离子电池热参数估计

基于简化Bernardi模型的锂离子电池热模型包含内阻R、开路电压U_(ocv)、热容mC_H及换热系数k等参数。其中,R与U_(ocv)是电池荷电状态(state of charge,SOC)、电流I和电池温度T_(bat)的非线性函数,mC_H与k是常数。由于上述参数所表征电池特性不同,迄今的估计方法往往需要进行多组不同实验以分别激励对应特性,耗时耗力。该文的热模型参数估计方法仅由一组恒电流实验和相应数据处理流程组成。一组多环境温度下的恒电流实验用于在短实验时间内得到足够数据;基于电池机理的实验数据处理流程则解决了参数的非线性特性以及受到的SOC与T_(bat)耦合变化的影响。与现有方法相比,该方法具有短时间内同时且准确估计出R(SOC,I,T_(bat))、U_(ocv)(SOC,T_(bat))和常数mC_H与k等优点,易于工程实现。实验验证了方法的上述特点。     

计及常用恒流工况的锂离子电池建模方法

锂离子电池(LiB)的开路电压Uoc和内阻R是对LiB进行特性评估的重要参数.由于两者与LiB的荷电状态(SOC)、电流I及温度T呈非线性耦合关系,难以为工程应用建立一个参数(Uoc,R)相对于这些变量的准确的解析模型.该文提出一种工程性建模方法,旨在建立参数(Uoc,R)与LiB常用恒流工况范围内的变量(SOC,I,T)之间的映射关系.该方法首先在LiB常用工况范围内设计多个恒流工况实验以获取包含变量(SOC,I,T)典型信息的实验数据;其次采用一套数据处理方法解决LiB运行中SOC与T同时变化问题,并测算典型工作点{SOC,I,T}下的(Uoc,R);最后分析SOC、I、T到Uoc及R的映射关系,并构建开路电压模型Uoc(SOC,T)和内阻模型R(SOC,I,T).与现有方法相比,该方法建立的模型涉及的工况全面、实验时间短、参数估计精度高,适用于LiB工程应用和特性研究.实验结果验证了该方法的有效性.     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

实际使用工况的锂离子电池SOC-OCV关系

通过对电动汽车用锂离子电池荷电状态(SOC)与开路电压(OCV)的关系研究,发现其SOC与OCV有着良好的对应关系;同时,在电池实际使用工况(不同使用温度和不同使用寿命)条件下,通过温度修正系数和容量衰减因子的调整,S OC与OCV的关系仍能够始终保持一致。最后提出了基于电池等效电路模型的快速S OC-OCV关系估计方法,从而为开发基于OCV的实际使用工况下的电池管理控制策略提供了理论依据和数据支撑。     

基于动态可重构电池网络的OCV-SOC在线估计

随着大规模储能系统的广泛发展,快速准确地估计锂离子电池的荷电状态(state of charge,SOC)对系统的安全可靠运行至关重要。然而,在传统的固定串并联电池单元/模块拓扑结构中,无法直接测量电池单元/模块的开路电压(open circuit voltage,OCV),也就无法建立OCV-SOC映射关系来准确估计SOC。对此,提出一种基于新型动态可重构电池网络的精准SOC估计方法。该方法可以在1s内测量得到OCV,然后使用梯度增强决策树估计电池单元/模块的准确SOC。实验结果表明该方法的高效率和有效性,为电池状态估计提供了一个范式结构。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于LS-SVM算法动力电池SOC估计方法的研究

提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。     

自带恢复效应的锂电池在途SOC估计方法

针对复杂工况时纯电动汽车磷酸铁锂(LiFeP04)电池内部化学反应复杂、纯电路机理模型难以准确地进行荷电状态(SOC)估计的问题,使用动力学电池模型(KiBaM)和二阶RC等效电路模型相结合的混合模型,充分考虑到电池放电过程中存在恢复效应和电流倍率效应,最终使一个模型能同时捕捉到动态的非线性容量效应和电路参数特征,从而获得更加准确的SOC估计和电池运行时间预测,并通过试验进一步证明了其准确性较高。     

基于4维Map图的镍氢电池SOC估计方法

针对现有镍氢电池荷电状态(SOC)估计方法因精确度太低或者对数据、模型参数要求太高而难以实用的问题,提出一种基于4维Map图的电池SOC估计方法.通过大量实验数据,建立镍氢电池SOC与温度、电流和端电压之间的基本Map图,发现在其工作区间20％≤YSOC≤80％内,不同电流、温度条件下的相邻充放电特性曲线基本相互平行.以SOC与端电压之间的关系为基础,分别在电流和温度方向上采用曲线平移的方式插值得到SOC与电流、温度、电压之间的4维Map图模型.利用试验数据进行SOC估计试验,试验结果表明,利用4维Map图模型的SOC估计误差在3％以内,基于4维Map图的镍氢电池SOC估计方法能满足电动汽车电池SOC估计在精确度和易实现性上的要求.     

基于双无迹变换的锂离子电池SOC估计研究

电池的荷电状态(SOC)是电池管理系统(BMS)的重要指标,然而锂离子电池是一个具有复杂性噪声特点的非线性动态系统,精准估计SOC十分困难。针对无迹卡尔曼滤波(UKF)估计SOC时受模型精度和系统噪声预定变量影响较大问题,基于改进的PNGV模型提出一种两次非线性变换预测系统闭环端电压方法,采用动态函数提高卡尔曼增益,从而提高SOC估计精度和效果。通过充放电混合动力脉冲能力特性(HPPC)和混合放电比实验验证可得该方法具有良好的估计效果,在电压和电流变化剧烈的条件下,平均绝对误差为0.11%,精度相对提高了58%,均方根误差为0.15%,稳定性相对提高了63%。     

电动汽车动力电池变流放电特性与荷电状态实时估计

通过对电动汽车常用的铅酸动力电池大电流变流放电实验数据与特性的研究，建立以能动势和计算等效内阻为基本参数的电池动态模型，并得到了当电池放电电流大于某一特定临界电流时电池等效内阻趋于稳定的规律。基于这一重要规律，实现了以能动势为依据来估计电池荷电状态(SOC)的方法。该方法在电池大电流放电时，可以仅根据放电电流和在线端电压来估计SOC．分析和初步实验表明，这种电池SOC估计方法简单易行，实时性强，应用前景良好．     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

基于BiGRU和PF的锂电池SOC估计

提出了一种基于双向门控循环神经网络 (BidirectionalGateRecurrentUnit,BiGRU)和粒子滤波 (Particle Filter,PF)相结合的方法,对电池的荷电状态 (StateofCharge,SOC)进行估计.利用 BiGRU 网络,根据可测量的电压 (V)、电流 (I)、温度 (T)等信息学习锂电池内部的动态特性.由于电池的平台期特性导致 BiGRU 网络在 捕捉测量数据与电池内部特性时会有一些波动,因此采用 PF对 BiGRU 网络的输出进行滤波,让最终的估计更加稳定.对所提出的方法在 FUDS和 US06工况下进行验证,实验结果显示 BiGRU 能很好地捕捉到电池的动态特性,从而避免了繁杂的建模过程,结合 PF,进一步提升了模型估计精度和鲁棒性.     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

汽车用铅酸蓄电池SOC预测研究

电池的开路电压与电池荷电状态(SOC)存在密切的关系,然而大量研究表明,当电池在恒定电流下充放电时,端电压与SOC的变化规律近似于开路电压与SOC的变化规律。但对于汽车用蓄电池来说,并没有文献明确地给出蓄电池在充放电电流变化状态下其端电压与SOC的对应关系表达式。通过对电动汽车用蓄电池进行充放电实验,利用Matlab对实验数据进行曲线拟合处理,得到变化工作电流下的蓄电池SOC与其端电压的数学关系,提出了蓄电池SOC估计的修正经验公式,为电动汽车续航里程的准确估计提供了新方法。     

基于二阶斯特林插值滤波器的电池SOC估计

锂离子电池荷电状态(SOC)精确估计是延长电池寿命和安全使用的关键。为了准确估计电池的荷电状态,本文采用混合二阶RC模型和二阶斯特林插值滤波算法对锂电池的SOC值进行估计。首先对混合二阶模型的锂电池动态特性跟踪性能进行了研究,随后给出了一种基于二阶斯特林插值滤波器的锂电池SOC估计算法,并在安时积分法中加入不可用容量作为新的标准值。最后用实验数据与仿真结果进行了对比。仿真和实验的结果表明,该模型能很好地体现锂电池的动态特性,且二阶斯特林插值滤波算法有着比扩展卡尔曼滤波算法更好的估计精度,而且比起EKF能更准确的跟踪锂电池的非线性程度。     

基于小波神经的动力电池SOC估计的研究

提高电池荷电状态(SOC)估计的准确性对电动汽车电池管理系统的研究至关重要。根据历史实验数据,在分析了电池电压、电流、电池表面温度及放电总电量等因素对电池SOC的影响后,提出一种利用小波神经网络的SOC在线实时估计方法。通过与BP神经网络的预测结果进行比较,结果表明,小波神经网络能更准确地逼近实际SOC值,并克服了神经网络容易陷入局部次优点的缺点,且将神经网络隐含层的传输函数用小波函数代替,算法易实现且易于应用和推广。     

基于无损卡尔曼滤波的锂离子电池组SOC估计

锂离子电池组容量和内部参数随温度变化明显,在不同温度下准确估计电池电荷状态(state of charge,SOC)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型,采用无损卡尔曼滤波(unscented Kalman filtering,UKF)实现不同温度和不同放电电流条件下对锂离子电池组SOC的估计。实验研究表明,UKF算法适应不同放电电流下的电池SOC估计。随着温度降低,虽然UKF方法对锂离子电池组SOC估计的收敛速度变慢,但对初始误差有较强的修正作用,且有较高的稳态精度。因此,UKF方法适合不同温度和放电电流下对锂离子电池组SOC的估计。